EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实...EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实现,使其适用性大大增强.但无论是EM算法,还是Monte Carlo EM算法,其收敛速度都是线性的,被缺损信息的倒数所控制,当缺损数据的比例很高时,收敛速度就非常缓慢.而Newton-Raphson算法在后验众数的附近具有二次收敛速率.本文提出Monte Carlo EM加速算法,将Monte Carlo EM算法与Newton-Raphson算法结合,既使得EM算法中的E步用Monte Carlo模拟得以实现,又证明了该算法在后验众数附近具有二次收敛速度.从而使其保留了Monte Carlo EM算法的优点,并改进了Monte Carlo EM算法的收敛速度.本文通过数值例子,将Monte Carlo EM加速算法的结果与EM算法、Monte Carlo EM算法的结果进行比较,进一步说明了Monte Carlo EM加速算法的优良性.展开更多
In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identif...In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identify the state of the robot by real time monitoring of the mean weight changes of the particles and introduce more high weight particles through the divergent sampling function when the robot is in the state of localization loss.The observation model will make the particle set slowly approach to the real position of the robot and the new particles are then sampled to reach the position.The loss self recovery experiments of different algorithms under different experimental scenarios are presented in this paper.展开更多
对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测...对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。展开更多
针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)...针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。展开更多
文摘EM算法是近年来常用的求后验众数的估计的一种数据增广算法,但由于求出其E步中积分的显示表达式有时很困难,甚至不可能,限制了其应用的广泛性.而Monte Carlo EM算法很好地解决了这个问题,将EM算法中E步的积分用Monte Carlo模拟来有效实现,使其适用性大大增强.但无论是EM算法,还是Monte Carlo EM算法,其收敛速度都是线性的,被缺损信息的倒数所控制,当缺损数据的比例很高时,收敛速度就非常缓慢.而Newton-Raphson算法在后验众数的附近具有二次收敛速率.本文提出Monte Carlo EM加速算法,将Monte Carlo EM算法与Newton-Raphson算法结合,既使得EM算法中的E步用Monte Carlo模拟得以实现,又证明了该算法在后验众数附近具有二次收敛速度.从而使其保留了Monte Carlo EM算法的优点,并改进了Monte Carlo EM算法的收敛速度.本文通过数值例子,将Monte Carlo EM加速算法的结果与EM算法、Monte Carlo EM算法的结果进行比较,进一步说明了Monte Carlo EM加速算法的优良性.
基金Sponsored by the National Natural Science Foundation of China(Grant No.61305110)the Self-Planned Task of Institute of Robotics(Grant No.F201803)the Intelligent Systems and Natural Science Foundation of Hubei Province(Grant No.2018CFB626).
文摘In order to solve the problem of localization loss that an autonomous mobile robot may encounter in indoor environment,an improved Monte Carlo localization algorithm is proposed in this paper.The algorithm can identify the state of the robot by real time monitoring of the mean weight changes of the particles and introduce more high weight particles through the divergent sampling function when the robot is in the state of localization loss.The observation model will make the particle set slowly approach to the real position of the robot and the new particles are then sampled to reach the position.The loss self recovery experiments of different algorithms under different experimental scenarios are presented in this paper.
文摘对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。
文摘针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。
